fol. I r
Strojové učení · základy na jednu stranu

Jak se stroje učí

Ne programujeme pravidla — ukazujeme příklady a stroj si pravidlo najde sám. Celá disciplína drží na jediné otázce: našel obecný vzor, nebo se jen naučil odpovědi nazpaměť?
Dvě cesty k odpovědi
Klasické
programování
Pravidla
+
Data
→
Odpovědi
Strojové
učení
Data
+
Odpovědi
→
Pravidla
Tentýž trojúhelník, obrácený tok. Člověk psal pravidla ručně; učící se stroj je odvodí z dvojic vstup–výstup a pak je použije na data, která nikdy neviděl.
Hrdina listu · chyba vs. složitost modelu
chyba složitost modelu → vys. níz. Podučení Správně Přeučení nejlepší model chyba na testu nová data chyba na tréninku stále klesá
Trénuj složitější model a chyba na tréninku klesá pořád. Chyba na nových datech ale nejdřív klesá, pak roste — mezi tím leží nejlepší model. Vlevo se model nenaučil dost (podučení), vpravo si zapamatoval i šum (přeučení).
Táž data, tři modely
Podučení moc jednoduché Správně zachytí trend Přeučení i každý šum
Data se dělí, aby se dala měřit poctivost
trénink · 60 % validace · 20 % test · 20 % učí se pravidlo ladí složitost změří naslepo
Odtud jsou dvě křivky u hrdiny listu: na tréninku se model učí, na testu se měří na datech, která nikdy neviděl. Kdo se učí i zkouší na týchž datech, klame sám sebe.
Se učitelem / bez učitele
s učitelem bez učitele rozdělí podle vzoru najde shluky sám
S učitelem = data mají správné odpovědi (štítky); model se učí hranici. Bez učitele = štítky nejsou; model hledá strukturu — shluky, které nikdo nepojmenoval.
Prediktivní / generativní
prediktivní vstup X model ŷ generativní model nový vzorek
Prediktivní odpoví na vstup (třída, číslo). Generativní se naučí, jak data vypadají, a vyrobí nový — větu, obrázek, hudbu.
Matice záměn
skut. ANOskut. NE
řekl
ANO		TPtrefaFPplaný poplach
řekl
NE		FNpřehlédnutíTNsprávné ne
Čtyři možné výsledky rozhodnutí. Přesnost sama klame: při 1 nemocném z 1000 má „vždy zdravý" 99,9 % — a nechytí nikoho. Proto sledujeme FP a FN zvlášť.
Jak se pravidlo najde
chyba parametr modelu → start minimum
Učení = po malých krocích měnit parametry vždy „z kopce" chyby, až do minima — jako kulička kutálející se do údolí.
Křivky jsou ilustrativní — učí tvar, ne konkrétní čísla. Vše ostatní platí napříč modely: od lineární regrese po velké jazykové modely.
Gauss Algorithmic